Subnational inequalities in diphtheria–tetanus–pertussis immunization in 24 countries in the African Region
Notice bibliographique
Résumé
OBJECTIVE: To analyse subnational inequality in diphtheria-tetanus-pertussis (DTP) immunization dropout in 24 African countries using administrative data on receipt of the first and third vaccine doses (DTP1 and DTP3, respectively) collected by the Joint Reporting Process of the World Health Organization and the United Nations Children's Fund. METHODS: Districts in each country were grouped into quintiles according to the proportion of children who dropped out between DTP1 and DTP3 (i.e. the dropout rate). We used six summary measures to quantify inequalities in dropout rates between districts and compared rates with national dropout rates and DTP1 and DTP3 immunization coverage. FINDINGS: The median dropout rate across countries was 2.4% in quintiles with the lowest rate and 14.6% in quintiles with the highest rate. In eight countries, the difference between the highest and lowest quintiles was 14.9 percentage points or more. In most countries, underperforming districts in the quintile with the highest rate tended to lag disproportionately behind the others. This divergence was not evident from looking only at national dropout rates. Countries with the largest inequalities in absolute subnational dropout rate tended to have lower estimated national DTP1 and DTP3 immunization coverage. CONCLUSION: There were marked inequalities in DTP immunization dropout rates between districts in most countries studied. Monitoring dropout at the subnational level could help guide immunization interventions that address inequalities in underserved areas, thereby improving overall DTP3 coverage. The quality of administrative data should be improved to ensure accurate and timely assessment of geographical inequalities in immunization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».